Jinhan Kim, CEO Standigm – Seria de interviuri

Jinhan Kim este CEO al Standigm, o companie de descoperire a medicamentelor AI pentru fluxul de lucru.

De la identificarea personalizată a țintei până la generarea de clienți potențiali, platforma Standigm workflow AI generează informații pentru fiecare pas de dezvoltare a medicamentelor valoroase din punct de vedere comercial din proiecte interne și parteneriate.​

Ai început să codezi când erai în clasa a 6-a, ai putea să împărtășești cum ai devenit interesat și la ce ai lucrat inițial?

Ah, da – pe Apple II Plus al meu. Acesta a fost catalizatorul care m-a transformat dintr-un vier de carte într-un creator. Am început să programez, începând cu programarea în C, din curiozitate. Am devenit interesat de principiile și aspectele teoretice ale computerului meu. De acolo, am devenit o persoană care învață pe tot parcursul vieții în domeniul tehnologiei.

Ce te-a atras inițial către învățarea automată?

Mi-am obținut diplomele în chimie aplicată și inteligență artificială la Universitatea din Edinburgh, sub conducerea lui Geoffrey Hinton. El este neurologul și informaticianul care practic a creat învățarea profundă. Hinton a lucrat la rețele neuronale artificiale și a proiectat mașini autonome și inteligente – și, mai târziu, algoritmi de învățare automată. Google l-a angajat acum zece ani pentru a-și crea AI, iar restul este istorie.

Când v-ați implicat inițial în intersecția dintre biologie și învățarea automată?

Obișnuiam să lucram la Samsung Advanced Institute of Technology, unde dezvoltam algoritmi. Unul dintre algoritmii pe care i-am dezvoltat a fost un mecanism pentru repararea daunelor ADN-ului. Am vrut să urmăresc munca în domeniul biologiei și să rezolv cele mai dificile probleme de vizat. Atât corpul uman, cât și computerele care gândesc ca oamenii sunt la fel de complexe pe cât devin lucrurile și trebuie să lucrezi pentru a înțelege pe unul pentru a înțelege pe celălalt. Sistemele AI nu numai că pot săpa prin date științifice extinse publicate de-a lungul deceniilor din întreaga lume, dar pot, de asemenea, să proceseze complexitățile corpului uman și să prindă rapid și coerent tiparele mecanismelor biologice. A fost ușor să vezi că biologia și învățarea automată merg mână în mână.

Ați putea împărtăși povestea genezei din spatele Standigm?

Munca mea în sănătate și știință a dezvăluit ceea ce, pentru mine, a fost o mare problemă în descoperirea medicamentelor tradiționale: timpul și banii necesari pentru a scana lucrările de cercetare științifică și studiile de screening sau indicii care oferă punctul de plecare pentru potențialele medicamente noi. creare. Oamenii de știință făceau această cercetare intensivă. Eu și doi colegi Samsung, Sang Ok Song și So Jeong Yun, am văzut o oportunitate de a muta munca de la oameni la o mașină inteligentă și de a proiecta un nou flux de lucru. De asemenea, nu am vrut să lucrez pentru un salariu; Am vrut să lucrez pentru mine, să aduc metodele de descoperire a medicamentelor la o nouă paradigmă standard, care este geneza lucrării și numele „Standigm”, compania pe care noi trei am co-fondat-o. Modelul nostru de învățare automată atinge acum o precizie ridicată de predicție, iar tehnologia sa AI atinge rentabilitatea investiției maximă.

Care este problema sintetică de accesibilitate și cum funcționează Standigm pentru a o rezolva?

Modelele generative pot proiecta noi structuri moleculare fără ajutorul chimiștilor medicinali bine pregătiți, ceea ce este unul dintre cele mai critice motive pentru adoptarea cu entuziasm a acestei tehnologii de către comunitățile de descoperire a medicamentelor. Cel mai mare obstacol aici este diferența de viteză dintre proiectarea moleculelor și sintezele lor experimentale, unde proiectarea a milioane de compuși durează doar ore și sinteza a doar zece molecule durează săptămâni sau luni. Deoarece doar o mică parte a compușilor proiectați va fi sintetizată de experți umani, este esențial să existe măsuri bune de proprietăți moleculare.

Modelele AI de prima generație au fost brute, iar chimiștii sintetici au refuzat majoritatea moleculelor proiectate din cauza dificultății planului sintetic. Unele companii CRO chiar au refuzat să pregătească o propunere pentru această campanie sintetică.

Standigm a lucrat la această problemă angajând chimiști cu experiență în medicina și adăugând expertiza lor la modelele generative, astfel încât să poată proiecta compuși care nu pot fi distinși de cei proiectați de experți umani. Standigm are acum mai multe modele generative diferite care pot gestiona diferite etape de descoperire a medicamentelor: identificarea loviturilor, optimizarea hit-to-lead și lead-ul. Acest lucru arată importanța de a avea o expertiză diversificată pentru orice companie de descoperire a medicamentelor AI, unde experiența umană și expertiza sunt utilizate în cea mai mare parte pentru a îmbunătăți modelele AI și pentru a asigura cele mai bune fluxuri de lucru în locul fiecărui proiect.

Puteți discuta despre tipurile de algoritmi care sunt utilizați de Standigm pentru a facilita descoperirea medicamentelor?

În mod obișnuit, începem orice proiecte de explorare prin prioritizarea proteinelor țintă promițătoare și noi folosind Standigm ASK; platforma noastră de biologie constă din algoritmi distincti pentru a antrena rețele biologice masive, a utiliza diferite tipuri de date omice imparțiale, a introduce contextele specifice ale sistemelor biologice și așa mai departe. Selectarea proteinei țintă potrivite este una dintre problemele cele mai critice în descoperirea medicamentelor. Standigm ASK ajută experții în boli prin furnizarea de multiple ipoteze de MOA (mecanism de acțiune).

Pentru a securiza brevete cu intervale de protecție ridicată, Standigm BEST îndeplinește diverse sarcini, inclusiv sugerarea compușilor afectați (explorare eficientă), saltul de schele (având în vedere accesibilitatea sintetică și noutatea) și diverse modele predictive pentru abilități medicamentoase (activitate, proprietăți ADME/Tox și proprietăți fizico-chimice) . Multe sarcini mai mici sunt legate de aceste sarcini mai mari, cum ar fi DTI (interacțiunea medicament-țintă), simulările moleculare asistate de AI, predicția selectivității și optimizarea multi-parametrică.

Cât timp se economisește în medie când vine vorba de generarea de noi compuși față de procedurile moștenite de descoperire a medicamentelor?

Cercetătorii Standigm au sintetizat sute de molecule noi pentru proiecte, dintre care multe sunt desemnate ca molecule de succes și de plumb în diferite contexte. Prin adoptarea modelelor bazate pe inteligență artificială și a resurselor comerciale, Standigm a redus timpul pentru prima rundă de generare de noi compuși de la șase luni la o medie de două luni pentru majoritatea proiectelor. Acum, primele decizii pot fi luate în medie în șapte luni în loc de trei-patru ani.

Care sunt unele dintre poveștile de succes Standigm pentru potențiala comercializare de medicamente?

Folosind Standigm Insight, care împărtășește același fundal tehnic ca și Standigm ASK, am găsit o moleculă de medicament care poate fi utilizată pentru o boală pediatrică rară, validată de un om de știință de la unul dintre cele mai bune spitale de copii din SUA. Acest caz arată că tehnologia AI poate ajuta la descoperirea medicamentelor pentru boli rare, o sarcină dificilă pentru o companie de orice dimensiune din cauza nevoii de mai multă valoare comercială. Mai ales în această recesiune, când companiile farmaceutice încearcă să fie mai conservatoare, AI poate promova cercetarea și dezvoltarea în bolile rare și neglijate.

Care este viziunea dumneavoastră pentru viitorul învățării profunde și al inteligenței artificiale generative în domeniul sănătății?

Succesul tehnologiei AI depinde de disponibilitatea datelor de înaltă calitate. Va exista inevitabil o mare concurență în ceea ce privește securizarea unei cantități mari de date de înaltă calitate în sectorul sănătății. Dintr-o perspectivă mai restrânsă a descoperirii timpurii a medicamentelor, datele de chimie și biologie sunt costisitoare și necesită mult timp pentru a asigura un statut de înaltă calitate. Prin urmare, laboratorul automatizat va fi un viitor pentru domeniul descoperirii medicamentelor AI, deoarece poate reduce costul datelor de înaltă calitate - combustibilul pentru tehnologia AI. Împingem platformele noastre tehnologice la următorul nivel, astfel încât Standigm ASK să poată furniza dovezi mai evidente, de la date derivate de la pacient până la biologie moleculară; și astfel, modelele Standigm BEST AI pot fi de ultimă generație prin furnizarea de date de înaltă calitate de la laboratoare și colaboratori automate interne.

Mai există ceva pe care ați dori să împărtășiți despre Standigm?

Deoarece echilibrul expertizei diferențiate este important pentru Standigm, echilibrul etniilor este, de asemenea, critic. Ne-am extins prezența în mediul global prin înființarea birourilor din Marea Britanie (Cambridge) și SUA (Cambridge, MA) pentru a include prezența rețelelor și transformarea Standigm într-o firmă mai internațională.

Mulțumim pentru interviul minunat, cititorii care doresc să afle mai multe ar trebui să viziteze Standigm.